固态硬盘测试软件270分,怎么读懂AS SSD Benchmark的跑分成绩-程序员宅基地

技术标签: 固态硬盘测试软件270分  

该楼层疑似违规已被系统折叠 隐藏此楼查看此楼

AS SSD Benchmark的跑分成绩有4组(读写都有),测试数据可以设置成1G、3G、5G、10G,还会给出分数:

Seq:连续读写速度。AS SSD会先以16MB的尺寸为单位,持续向受测分区写入生成1个达到1GB大小的文件(默认),然后再以同样的单位尺寸读取这个文件,最后计算平均成绩而给出结果。测试一完毕,测试文件会立刻删除。

4K:4K随机读写速度。固态硬盘真正比机械硬盘强大的地方就在于此,像DLL一类的小文件,在软件运行时会频繁地调用它,尤其是在启动的时候。而SSD的优势就是快速地读写这些小文件,而使磁盘性能提升,不会出现卡顿。

测试时以512KB的单位尺寸生成1GB大小的测试文件,然后在其地址范围(LBA)内以随机4KB单位尺寸进行写入及读取测试,直到跑遍这个范围为止,最后计算平均成绩给出结果。由于有生成步骤,本测试对硬盘会产生一共2GB的数据写入量。本测试完毕后,测试文件会暂时保留。

4K-64Thrd:是随机64队列深度读写测试,测试模式是多线程并发读写。软件则会生成64个16MB大小的测试文件(共计1GB),然后以4KB的单位尺寸,同时在这64个文件中进行写入和读取测试,最后以平均成绩为结果。本步骤也同样产生2GB的数据写入量。本测试一完毕,测试文件会立刻删除。

这个对多线程并发的性能测试,可以用来测NCQ((Native Command Queuing,原生命令队列)差距,一般来说AHCI模式安装就是开了NCQ,这时4k和4K-64Thrd的差距是非常大的,如果是IDE模式下就和普通4KB随机没有太大区别了。所以这种测试更多是为来评判服务器级别的SSD性能,很多人都认为对个人用户的参考价值不大。在下个测试软件的介绍中我再详细说这个。

Acc.Time:平均访问时间,寻道时间。读取是测试寻址随机的4KB文件(全盘LBA区域),写入是测试寻址随机的512B文件(全盘LBA区域),测试写入寻址时会再生成个1GB测试样本文件,最后以平均成绩给出结果。如果拿机械硬盘来跑这个测试,可就**了,跑全大约要1个小时吧。

Score:综合得分,分数给人很直观的印象,跑分吗就比个高低,但是评判分数的合理性总是有点争议的。

AS SSD的评分标准公式:

读取分数 = (持续读取X0.1)+ 4KB随机 + 4KB 64Thrd

写入分数 = (持续写入X0.1)+ 4KB随机 + 4KB 64Thrd

总分 = (持续写入速度X0.15)+(持续读取速度X0.1)+(随机4KB写入速度X2)+ 4KB随机读取速度

+ 4KB 64Thrd随机读取速度 + (4KB 64Thrd随机写入速度X1.5)

intel驱动跑分结果(现在最新AS SSD Benchmark版本应该是2.X了,我没有更新)

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_28758189/article/details/119030304

智能推荐

​STM32家族介绍,覆盖STM32F、STM32H、STM32L全系列_stm32m和stm32h-程序员宅基地

文章浏览阅读7.1k次,点赞3次,收藏24次。STM32是ARM Cortex-M内核单片机。目前提供10大产品线(F0, F1, F2, F3, F4, F7, H7, L0, L1,L4),超过700个型号。STM32产品广泛应用于工业控制、消费电子、物联网、通讯设备、医疗服务、安防监控等应用领域,其优异的性能进一步推动了生活和产业智能化的发展。截至2017年4月,STM32全球出货量超过24亿颗。主流型MCUSTM32F0系列 – ARM Cortex-M0入门级MCU意法半导体基于ARM Cortex-M0的STM32F0系列单片机实现了_stm32m和stm32h

启科QuSaaS真随机数解决方案与Amazon Braket结合实践_qekss-程序员宅基地

文章浏览阅读165次。现在常用的依靠计算机模拟产生的伪随机数,或者从某些经典物理噪声(如热噪声,电噪声等)中提取随机数,实际上并不是正真正的随机数,因为从理论上讲,经典物理过程在考虑到所有变量的情况下是可以被模拟的。那么是否存在真正的随机数呢,随着量子力学的发展,通过量子系统产生随机数已经成为可能。_qekss

Android 自定义相机实现身份证拍照,并加入自动对焦与图片不规则裁剪_glide裁剪身份证图片-程序员宅基地

文章浏览阅读1k次。IDCardCamera项目地址:wildma/IDCardCamera 简介:Android 自定义相机实现身份证拍照,并加入自动对焦与图片不规则裁剪更多:作者 提 Bug 标签: README of English效果图..._glide裁剪身份证图片

毕业设计 :基于深度学习的人脸识别【全网最详细】 - opencv 卷积神经网络_基于深度神经网络的人脸识别-程序员宅基地

文章浏览阅读5.1w次,点赞72次,收藏846次。毕业设计 :基于深度学习的人脸识别【全网最详细】 - opencv 卷积神经网络_基于深度神经网络的人脸识别

【Python】pip超详细教程,pip的安装与使用,解决pip下载速度慢的问题-程序员宅基地

文章浏览阅读4.9w次,点赞144次,收藏926次。pip超详细教程,讲述了pip的安装与使用,以及解决了pip下载速度慢的问题_pip下载

图像的主题模型-程序员宅基地

文章浏览阅读3.8k次。主题建模是一个技术的集合,允许用户在大量数据中找到主题。当试图对这些文档的内容建模和执行EDA时,它将非常有利。不久前,我们介绍了一种名为BERTopic的主题建模技术,它利用了BERT嵌入和基于类的TF-IDF创建簇,允许轻松解释主题。不过,过了一会儿,开始考虑它在其他领域的应用,例如计算机视觉。如果我们能在图像上应用主题建模,那会有多酷?花了一段时间,但经过一些实验,..._图的主题模型

随便推点

自定义YUM官方仓库安装NGINX、常用命令及启动、进程查看_nginx repolist-程序员宅基地

文章浏览阅读431次。自定义YUM仓库安装NGINXNGINX 官方站点获取仓库地址1、官方站点说明2、获取仓库地址自定义 YUM 仓库1、创建 repo 文件2、查看 repolist3、查看 nginx 信息安装 NGINX1、安装2、查看安装生成的文件nginx unit-fileNGINX 常用命令1、nginx -h2、nginx -VNGINX 官方站点获取仓库地址1、官方站点说明Website:h..._nginx repolist

Spring -> IOCxml配置注入Array[],List,Map属性_arraylist通过xml配置-程序员宅基地

文章浏览阅读433次。1.类package test10month.test1011;import java.util.Arrays;import java.util.List;import java.util.Map;/** * 功能描述: * @version 1.0 * @className ArrayListMap * @author: 罗德 * @create: 2020-10-11 21:53 */public class ArrayListMap { private String[]_arraylist通过xml配置

RVDS4.0 破解-程序员宅基地

文章浏览阅读1.3w次。转载时请以超链接形式标明文章原始出处和作者信息及本声明http://amazingxiu.blogbus.com/logs/62781676.html 这几天闲来无事,在看如何安装RVDS4.0,也就是RealView Development Suite 4.0

什么是可制造性设计?如何保证电子产品可靠性设计?_电子产品 可制造性 设计-程序员宅基地

文章浏览阅读921次。同样也是非常重要的,一个产品的市场竞争力如何,很大的因素是取决于它的成本,基于成本,从两个方面考虑,第一是选择制造工艺的时候,设计者需要尽量从优从简;综上,不难发现,设计工程师需要考虑的东西非常多,稍微严格的公司,他们可能会有几十道、上百条设计规则,如果不借助工具,全部人为把控,出错的几率是很高的。可制造性设计是基于并行设计的思想,在产品的设计阶段就综合考虑制造过程中的工艺要求、测试要求和组装的合理性,通过设计的手段来把控产品的成本、性能和质量。三个比较典型的分析项为开短路分析、布线分析、孔线距离分析。.._电子产品 可制造性 设计

unity 序列帧动画播放_u3dtimeline播放图片序列-程序员宅基地

文章浏览阅读549次。图片必须为Sprite格式脚本拖入到物体上可以直接使用using System.Collections;using System.Collections.Generic;using UnityEngine;using UnityEngine.UI;using UnityEngine.SceneManagement;public class StartAnimation : M..._u3dtimeline播放图片序列

知识图谱从入门到应用——知识图谱的知识表示:向量表示方法_知识图谱如何实现向量化-程序员宅基地

文章浏览阅读1.6w次,点赞13次,收藏46次。前文已经介绍过,向量化的表示已经在人工智能的其他领域非常常见,例如在自然语言处理中,可以为句子中的每个词学习一个向量表示(Word Embedding),在图像视频中也可以为每个视觉对象学习一个向量表示。对于知识图谱,也可以为其中的每一个实体和关系学习一个向量表示,并利用向量、矩阵或张量之间的计算,实现高效的推理计算。_知识图谱如何实现向量化

推荐文章

热门文章

相关标签